پژوهش ها و چشم اندازهای اقتصادی

پژوهش ها و چشم اندازهای اقتصادی

بررسی ابعاد سه‌گانه ریسک اعتباری بانک ها در ایران با تأکید بر موقعیت جغرافیایی بنگاه

نویسندگان
مهدی بختیار 1
رزیتا مویدفر 2
محمد واعظ برزانی 2
رامین مجاب 3
1 دانشجوی دکتری اقتصاد دانشگاه اصفهان، اصفهان، ایران
2 دانشیار گروه اقتصاد دانشگاه اصفهان، اصفهان، ایران
3 استادیار پژوهشکده پولی و بانکی، تهران، ایران
چکیده
این مطالعه، با رویکردی جدید به بررسی عوامل تعیین کننده ریسک اعتباری در بانک های ایران از سال 1385 تا 1398 پرداخته است. استان، گروه‌های بانکی و زمان، سه‌ بعد مورد استفاده در مدل‌سازی این مطالعه به عنوان متغیرهای توضیحی ریسک اعتباری هستند. همچنین الگوی این مطالعه، برای اندازه گیری ضرایب متغیرهای مستقل، داده های پانل سه ‌بعدی است. نتایج مطالعه، حاکی از آن است که متغیر دسترسی به اعتبار استانی، تأثیری مثبت و متغیر اندازه بخش بانکی استانی، تأثیری منفی بر ریسک اعتباری استانی دارند. همچنین از میان متغیرهای اقتصاد منطقه ای، نرخ بیکاری استانی و نرخ رشد اقتصادی واقعی استانی، تأثیری مثبت بر ریسک اعتباری استانی دارند و متغیر ضریب جینی استانی، تأثیری منفی بر ریسک اعتباری استانی دارد. شاخص دسترسی جاده‌ای، به عنوان متغیری حساس در این مطالعه، تأثیری منفی بر ریسک اعتباری استانی دارد که در بر دارنده این نکته است که در مناطقی که شاخص دسترسی بزرگ تر است، هزینه دسترسی برای بنگاه‌های اقتصادی کاهش یافته، حاشیه سود و در نتیجه، توان بازپرداخت تسهیلات بنگاه افزایش می‌یابد و نکول کمتری رخ می دهد. بنابراین پیشنهاد می شود، به منظور کاهش ریسک اعتباری، سیاست های لازم برای در نظر گرفتن ملاحظات اقتصاد منطقه ای در پرداخت تسهیلات، اتخاذ شود.
کلیدواژه‌ها
تسهیلات بانکی
مطالبات غیرجاری
ریسک اعتباری
مدل داده های پانل سه بعدی

موضوعات

عنوان مقاله English

Investigating the Three Dimensions of Credit Risk of Banks in Iran with an Emphasis on the Geographical Location of the Enterprise

نویسندگان English

mehdi bakhtiar 1
rozita moayedfar 2
Mohammad Vaez Barzani 2
Ramin Mojab 3
1 PhD student in Economics, University of Isfahan, Isfahan, Iran
2 Associate Professor of Economics, University of Isfahan, Isfahan, Iran
3 Assistant Professor of Monetary and Banking Research Institute, Tehran, Iran
چکیده English

Aim and Introduction

Credit risk is the possibility of a loss resulting from a borrower's failure to repay a loan or meet contractual obligations. Traditionally, it refers to the risk that a lender may not receive the owed principal and interest, which results in an interruption of cash flows and increased costs for collection. Although it is impossible to know exactly who will default on obligations, properly assessing and managing credit risk can lessen the severity of a loss. Interest payments from the borrower or issuer of a debt obligation are a lender's or investor's reward for assuming credit risk.

When the borrower remains financially healthy and pays the agreed instalments and interest as scheduled, the loan is said to be performing. But there is always the risk that the company or individual will not be able to repay within the agreed timespan. If this happens or looks likely to happen, the bank must classify the loan as “non-performing”. A bank loan is considered non-performing when more than 90 days pass without the borrower paying the agreed instalments or interest. Non-performing loans are also called “bad debt”. To be successful in the long run, banks need to keep the level of bad loans at a minimum so they can still earn a profit from extending new loans to customers. If a bank has too many bad loans on its balance sheet, its profitability will suffer because it will no longer earn enough money from its credit business. In addition, it will need to put money aside as a safety net in case it needs to write off the full amount of the loan at some point in time.

Methodology

This study with a new approach examines the determinants of credit risk in Iranian banks from 2006 to 2019. Province, banking groups and time are three dimensions used in the modeling of this study as explanatory variables of credit risk. Furthermore, a three-dimensional panel data model is used to measure the coefficients of independent variables. In the case of two-dimensional panels, each observation is typically a vector of values of a dependent variable and one or more independent variables, and comes with two labels attached, one is frequently time and the other an individual person, business or nation. When the panel is multi-dimensional, each observation comes with many labels, for example, time, individual employee, firm, and industry. An observation could consist of values of multiple endogenous variables and multiple exogenous or predetermined variables, labeled with at least time and one other label. All of the problems and issues which arise for two-dimensional panels also exist for multi-dimensional panels.

Findings

The results of the study indicate that access to provincial credit has a positive effect and the size of the provincial banking sector has a negative impact on the provincial credit risk. In addition, among the variables of the regional economics, the provincial unemployment rate and the provincial real economic growth rate affect positively the provincial credit risk, and the provincial Gini coefficient variable affect negatively the provincial credit risk. The index of road network accessibility as a sensitive variable has a negative influence on the credit risk of the province, which means that in regions where the index of road network accessibility is larger, the cost of access for economic enterprises is reduced, so the profit margin and the ability to repay facilities by the enterprise increases and less default occurs.

Discussion and Conclusion

The banking system is subject to some risks in attaining its goals; one of the most important of which is encountering non-performing loans and ultimately write-offs. The emergence and accumulation of NPLs can become a systemic problem when this affects a considerable part of the financial system, threatening its stability and/or impairing its core function of facilitating financial intermediation. A significant increase in NPLs throughout the system can have a negative impact on the resilience of the banking sector to shocks, thus increasing systemic risk. NPLs may also be associated with higher funding costs and a lower supply of credit to the real economy. This may result from negative market sentiment towards banks with high levels of NPLs, which decreases banks’ ability to access liquidity and capital markets (potentially leading to credit supply constraints). In order to reduce credit risk, the necessary policies should be adopted to take into account the considerations of the regional economics in payment of facilities.

کلیدواژه‌ها English

Bank facilities
Non-performing loans
Credit risk
Three-dimensional panel data model
بختیار، مهدی، مویدفر، رزیتا، واعظ برزانی، محمد و مجاب، رامین (۱۴۰۰). تحلیل مطالبات غیرجاری بانک‌ها با رویکرد اقتصاد منطقه‌ای؛ روش داده‌های پانل نامتوازن. فصلنامه پژوهش های پولی - بانکی، ۱۴(۴۸)، ۲۹۰-۲۵۳.
پهلوانی، مصیب، مهرابی بشرآبادی، حسین و افشارپور، مهلا (۱۳۹۲). بررسی تأثیر توسعۀ زیرساخت‌های حمل و نقل بر رشد اقتصادی استان‌های ایران. فصلنامه تحقیقات مدلسازی اقتصادی، ۱۶، ۱۳۲-۱۰۳.
رحمانی، علی، غلامعلی پور، رضا و عبدالهی، زیبا (۱۳۹۶). بررسی اثر متغیرهای درون بانکی بر رشد مطالبات غیرجاری در سیستم بانکی ایران. فصلنامه پژوهش های پولی - بانکی، ۱۰(۳۱)، ۷۰-۵۷.
رستم‌زاده، پرویز، شهنازی، روح الله و نیسانی، محمد صادق (۱۳۹۷). شناسایی عوامل موثر بر ریسک اعتباری در صنعت بانکداری ایران با استفاده از آزمون استرس. تحقیقات مدل‌سازی اقتصادی، ۹(۳۲)، ۱۲۸-۹۱.
رستمی، محمدرضا، نبی‌زاده، احمد و شاهی, زهرا (۱۳۹۷). بررسی عوامل مؤثر بر ریسک اعتباری بانک‌های تجاری ایران با تأکید بر عوامل خاص بانکی و کلان اقتصادی. مدیریت دارایی و تامین مالی، ۶(۲۳)، ۷۹-۹۲.
رودری، سهیل، همایونی‌فر، مسعود و سلیمی‌فر مصطفی (۱۴۰۰). مطالعه میزان تاثیر برخی عوامل تعیین‌کننده مطالبات غیرجاری شبکه بانکی از بخش دولتی در شرایط تحریم: کاربردی از الگوهای تبدیل موجک و مارکوف سویچینگ. فصلنامه پژوهش‌ها وسیاست‌های اقتصادی، ۲۹ (۹۷)، ۱۳۱-۱۶۸.
فلاحی، سامان و کمیجانی، اکبر (1395). شناسایی عوامل درونی تأثیرگذار بر ریسک اعتباری بانک‌ها. مجله تحقیقات اقتصادی، ۵۱(۳)، ۶۳۵-۶۵۲.
محمدی، تیمور، اسکندری، فرزاد و کریمی، داود (۱۳۹۵). تاثیر متغیرهای کلان اقتصادی و ویژگی‌های خاص بانکی بر مطالبات غیرجاری در نظام بانکی ایران. پژوهشنامه اقتصادی، ۱۶(۶۲)، ۸۱-۱۰۱.
مداح، مجید و پرنیان، ندا (1399). نقش فساد اقتصادی در افزایش مطالبات معوق بانکی، مدلسازی اقتصادسنجی، ۵(۳)، ۱۲۱-۱۳۹.
مرادخانی، نرگس، صدرجهانی، بهنام و دین محمدی، مصطفی (۱۳۹۶). بررسی تأثیر متغیرهای کلان اقتصادی و خاص بانکی بر مطالبات غیرجاری بانک‌های ایران (به تفکیک مطالبات سررسید گذشته، معوق و مشکوک‌الوصول). پژوهشنامه اقتصاد کلان، ۱۲(۲۴)، ۱۳-۳۲.
معزز آغزیارت، سارا ناز و آقابابایی، محمد ابراهیم (۱۳۹۸). مطالبات بانکی معوق در اقتصاد ایران و تحلیل تعادل بلندمدت با استفاده از مدل تصحیح خطای برداری. فصلنامه مطالعات مالی و بانکداری اسلامی، ۵(۱۳)، ۲۹-۵۶.
نوفرستی، محمد، یزدانی، مهدی، بابایی، نسیم و قنبری ممان، حسنعلی (۱۴۰۰). اثر تغییر نرخ ارز بر متغیرهای اقتصادکلان از طریق سیستم بانکی: رویکرد الگوی اقتصادسنجی کلان. تحقیقات مدل‌سازی اقتصادی، ۱۲ (۴۳) ،۱۳۱-۹۹.
همتی، عبدالناصر و محبی نژاد، شادی (۱۳۸۸). ارزیابی تاثیر متغیرهای کلان اقتصادی بر ریسک اعتباری بانک‌ها، پژوهشنامه اقتصادی، شماره ۶ (ویژه‌نامه بانک)، ۳۳-۵۹.
Anastasiou, D.; Louri, H., & Tsionas, M. (2019b). Non-performing loans in the uuro-area: are core-Periphery banking markets fragmented? International Journal of Finance and Economics, 24(1), 97-112.
Anginer, D.; Demirguc-Kunt, A., & Zhu, M. (2014). How does competition affect bank systemic risk? Journal of Financial Intermediation, 23, 1–26.
Aruninggar, H., & Rokhim, R. (2018). Bank-specific factors, regional economy, and RDBs’ non-performing loans throughout Indonesia. Jurnal Keuangan dan Perbankan, 22(3), 557-567.
Asimakopoulos, I.; Avramidis, P., Malliaropulos, D., and Travlos, N. (2016). Moral hazard and strategic default: evidence from greek corporate loans. Working Paper No. 211, Bank of Greece.
Avetisyan, S. (2018). EU Geography of Non-Performing Loans (NPL). Preprints.
Baltagi, B.H. (2005). Econometric analysis of panel data, 3rd edn. Wiley: Chichester.
Beck, R.; Jakubik, P., & Piloiu, A. (2015). Key determinants of non-performing loans: new evidence from a global sample. Open Economies Review, 26(3), 525-550.
Blaise, G., & Kaushik, J. (2009). Measures of financial stability - a review. Proceedings of the IFC Conference on "Measuring financial innovation and its impact". 31, 365-380.
Bleaney, M.; Gemmell, N. & Kneller, R. (2001). Testing the endogenous growth model: public expenditure, taxation and growth over the long run. Canadian Journal of Economics /Revue canadienne d'économique, 34(1):36-57.
Breuer, J. B. (2006). Problem bank loans, conflicts of interest, and institutions. Journal of Financial Stability, 2(3), 266-285.
Carling, K., & Lundberg, S. (2005). Asymmetric information and distance: a empirical assessment of geographical credit rationing. Journal of Economics and Business, 57, 39–59.
Castellani, D., & Silva Afonso, J. (2021). Geographic diversification and credit supply in times of trouble: Evidence from microlending, Journal of Business Research, 132, 848-859.
Dendramis, Y.; Tzavalis, E., & Adraktas, G. (2018). Credit risk modelling under recessionary and financially distressed conditions. Journal of Banking and Finance, 91, 160-175.
Espinoza, R., & Prasad, A. (2010). Nonperforming loans in the GCC banking system and their macroeconomic effects. Working Paper No. 224, International Monetary Fund.
Ghosh, A. (2015). Banking-industry specific and regional economic determinants of non-performing loans: Evidence from US states. Journal of Financial Stability, 20. 93–104.
Giannopoulos, V. (2018). What causes non-performing loans? the case of greece using primary accounting data. Open Journal of Accounting, 7, 191-206.
Jimenez, G., & Saurina, J. (2006). Credit cycles, credit risk, and prudential regulation. International Journal of Central Banking, 2(2), 65-98.
Karadima, M., & Louri, H. (2020). Non-performing loans in the euro area: Does bank market power matter? International Review of Financial Analysis, 72, Article 101593.
Karadima, M., & Louri, H. (2021). Determinants of non-performing loans in Greece: the intricate role of fiscal expansion. Hellenic Observatory Papers on Greece and Southeast Europe. Greese Paper No. 160.
Kauko, K. (2012). External deficits and non-performing loans in the recent financial crisis. Economics Letters, 115, 196-199.
Kick, T., & Prieto, E. (2015). Bank risk taking and competition: Evidence from regional banking markets. Review of Finance, 19(3), 1185-1222.
Klein, N. (2013), Non-performing loans in CESEE: Determinants and impact on macroeconomic performance, (IMF Working Paper, 01, 27).
Koju, L.; Koju, R., & Wang, S. (2018). Macroeconomic and bank-specific determinants of non-performing loans: Evidence from nepalese banking system. Journal of Central Banking Theory and Practice, 3, 111-138.
Konstantakis, K.; Michaelides, P., & Vouldis, A. (2016). Non-performing loans (NPLs) in a crisis economy: Long-run equilibrium analysis with a real time VEC model for Greece (2001–2015). Physica A, 451, 149–161.
Louzis, D.; Vouldis., A., & Metaxas, V. (2012). Macroeconomic and bank-specific determinants of NPLs in Greece: A comparative study of mortgage, business and consumer loan portfolios. Journal of Banking and Finance, 36, 1012-1027.
Makri, V.; Tsagkanos, A., & Bellas, A. (2014). Determinants of non-performing loans: The case of Eurozone. Panoeconomicus, 61(2), 193-206.
Maparu, T. S. & Mazumder, T. N. (2017). Transport infrastructure, economic development and urbanization in India (1990–2011): Is there any causal relationship?. Transportation research part A: policy and practice, 100, 319-336.
Matyas, L. (2017). The econometrics of multi-dimensional panels, theory and applications. Springer International Publishing.
McCann, P. (2005). Transport costs and new economic geography. Journal of Economic Geography, 5(3): 305-318.
Mohd Nor, A.; Ismail, S., & Abd Rahman, N. (2021). Determinants of non-performing loans in asia: Is southeast asia different? International Journal of Business and Society, 22(1), 431-442.
Munib, B., & Yasmin Javid, A. (2013). Impact of macroeconomic forces on non-performing loans: an empirical study of commercial banks in Pakistan. WSEAS Transaction on Business and Economics, 10(1), 40-48.
Nkusu, M. (2011). Nonperforming loans and macrofinancial vulnerabilities in advanced economies. Working Paper No. 11/161, International Monetary Fund.
Ozili, P.K. (2019). Non-performing loans and financial development: New evidence. The Journal of Risk Finance, 20 (1).
Pradhan, R.P. & Bagchi, T.P. (2013). Effect of transportation infrastructure on economic growth in India: the VECM approach. Res. Transp. Econ. 38 (1): 139-148.
Phang, S. (2003). Strategic development of airport and rail infrastructure: the case of Singapore. Transport Policy, 10, 27-33.
Podpiera J., & Weill, L. (2008) Bad luck or bad management? Emerging banking market experience. Journal of Financial Stability, 4, 135–148.
Raghuram, G. & Babu, M. R. (1999). Alternate means of financing railways. Vikalpa, 24(1): 13-26.
Rinaldi, L., & Sanchis-Arellano, A. (2006). Household debt sustainability: What explains household non-performing loans? An empirical analysis. Working Paper No. 570, European Central Bank.
Rokhim, R., & Yanti, M. I. S. M. (2014). Risiko NPL kredit Bank Pembangunan Daerah sebagai regional champion. Jurnal Keuangan dan Perbankan, 18(1), 120-129. Retrieved from: http:/ /jurnal.unmer.ac.id/index. php/jkdp/article/view/783
Romer, P. M. (1994). The origins of endogenous growth. Journal of Economic perspectives, 8(1): 3-22.
Umar, M., & Sun, G. (2018). Determinants of non-performing loans in Chinese banks. Journal Of Asia Business Studies, 12(3), 273-289.
Vithessonthi, C. (2016). Deflation, bank credit growth, and non-performing loans: Evidence from Japan. International Review of Financial Analysis, 45, 295-305.
Zamore, S.; Beisland, L. A., & Mersland, R. (2019). Geographic diversification and credit risk in microfinance. Journal of Banking & Finance, 109(1), 1-13.
Zhang, X.; Guo, D.; Xiao, Y., & Wang, M. (2017). Do spatial spillover effects of non-performing loans for commercial banks exist? Evidence from Chinese provinces. Emerging Markets Finance and Trade,53(9), 2039-2051.
پژوهش ها و چشم اندازهای اقتصادی
دوره 23، شماره 1
بهار 1402
صفحه 221-247